民营企业作为我国特色社会主义市场经济的重要组成部分,为经济发展做出了不可磨灭的贡献,但同时民营企业往往因自身信用资质不足而不受到资金方信赖。自2016年四季度起,我国宏观经济市场先后经历了“金融去杠杆”、“金融稳杠杆,布局经济去杠杆”以及“经济去杠杆”这三个阶段。201 8年初至今的政府严监管加上金融严监管对企业融资和经营造成了相当程度的影响,部分民营企业在先前宽松政策环境下通过发行债券大量举债盲目扩张,寄希望未来可通过自身财务弹性或再融资偿还债务。但随着目前监管政策趋严,企业资金周转面临困难导致债券难以置换或者续期,从而引发债券市场大面积“违约潮”的发生。在风险评估领域,传统定量分析主要依靠个人主观判断,通常导致结果不够准确。但随着相关模型理论的发展,逐渐将相关因素进行量化分析,提出了线性判别、Logistics回归模型以及KMV模型,再到后来基于大数据的统计学习模型。上世纪九十年代,Vapnic在统计学习理论基础上提出支持向量机模型,该模型不仅具有小样本学习能力,并且善于解决非线性、高维度、过拟合等传统难题。集成学习通过一定算法训练产生若干个具有差异性的子学习器,通过特定方式进行合成并做出决策以达到提高模型泛化性的效果。本文选用市场上公开发行信用债券的民营企业作为研究对象,利用公司财务数据预测其未来债券违约情况。具体从公司财务指标不同维度当中选取若干个指标作为特征变量,并通过逻辑回归对其进行降维,然后调整参数得到基本支持向量机模型。随后引入两种常见的集成学习方法:Bagging算法以及Boosting算法,并分别进行分类预测。最后在支持向量机模型基础上按照Bagging算法进行优化得到基于Bagging算法的支持向量机模型,并证明优化后的模型具有更加准确的预测效果。